Прогнозирование отказов в морских дизельных двигателях с помощью многомерного машинного обучения

Почему важны судовые двигатели и умное предсказание

Большая часть товаров, которые мы покупаем — от телефонов до продуктов питания — пересекает океаны на судах с мощными дизельными двигателями. Когда один из таких двигателей выходит из строя неожиданно, это может остановить поставки, повлечь миллионы на срочный ремонт и привести к лишнему расходу топлива при повышенных выбросах. В этом исследовании рассматривается, как сочетание новых сенсоров и методов машинного обучения может отслеживать «жизненные показатели» двигателя и предупреждать экипаж за дни или часы до реального отказа, помогая судам работать безопаснее, дешевле и экологичнее.

От «сломалось — починили» к ремонту до поломки

Традиционное судовое техническое обслуживание часто ждет, пока что‑то сломается, либо следует жестким графикам, которые могут быть слишком ранними или слишком поздними. Авторы предлагают иную логику: проактивное обслуживание, которое анализирует текущие данные, чтобы заметить признаки проблем заранее. Лучший уход за двигателями — это не только избежание задержек. Он также снижает расход топлива и выбросы, что особенно важно в условиях давления на судоходную отрасль по сокращению климатического следа. При более чем 100 000 торговых судов в эксплуатации даже небольшие улучшения надежности и эффективности могут существенно повлиять на мировую торговлю и выбросы парниковых газов.

Создание маломасштабного аналога настоящего судна

Чтобы безопасно и систематично проверить идеи, команда установила в лаборатории четырехцилиндровый дизельный двигатель в качестве аналога судового главного двигателя. Его оснастили датчиками температуры на каждом цилиндре, термометрами на входе и выходе охлаждающей воды, трехосевыми вибрационными датчиками на блоке двигателя и приборами для измерения оборотов, напряжения, тока и мощности. Затем они преднамеренно вводили реалистичные неисправности — частичные засоры впуска воздуха, выхлопной линии, системы охлаждения и смазки, а также низкий уровень масла — с разной степенью тяжести. Были собраны более 21 000 записей данных в ходе прогрева, нормальной нагрузки, работы с неисправностями и остывания, создав богатую «киноленту» о том, как здоровый двигатель постепенно скатывается в разные типы проблем.

Обучение алгоритмов прогнозировать и распознавать неисправности

Сердце работы — двухэтапная система машинного обучения. Сначала модель прогнозирования на базе типа нейронной сети ConvLSTM обучается предсказывать, как все 13 измеряемых сигналов — температуры, вибрации, обороты и электрические показатели — будут развиваться в ближайшие шаги. Эта модель не рассматривает каждое число изолированно; она учится, как изменения в одном измерении распространяются на другие во времени. По сравнению с более традиционными подходами, такими как деревья решений, стандартные нейронные сети и простые рекуррентные сети, ConvLSTM дала заметно более точные предсказания, сократив одну ключевую метрику ошибки примерно на 15% и опередив конкурентов в большинстве тестов.

Преобразование прогнозов в понятные предупреждения об отказе

Вторая часть системы берет эти предсказанные сигналы двигателя и задает более простую задачу: какому состоянию соответствует этот набор сигналов? Здесь авторы использовали классификатор на основе случайного леса, который объединяет решения многих небольших «деревьев» решений. Обученный на тех же многоканальных данных, он учится различать 13 разных режимов работы и отказов — от нормальной нагрузки и остывания до нескольких степеней засоров воздуха, воды и проблем с маслом. В тестах этот классификатор правильно определял режим более 82% случаев. Большинство ошибок случалось между соседними степенями тяжести одного и того же типа неисправности — например, между средним и сильным засором воздуха — а не между работой в норме и серьезными отказами, что обнадеживает с точки зрения практического применения.

Что это значит для судов в море

Вместе шаги прогнозирования и классификации работают как интеллектуальный слой раннего предупреждения. Непрерывные показания сенсоров из машинного отделения поступают в ConvLSTM, который проецирует, куда движутся температуры, вибрации и нагрузки. Случайный лес затем интерпретирует эти проекции как конкретные возникающие неисправности и их вероятную степень тяжести, давая экипажу шанс скорректировать работу или запланировать обслуживание до возникновения повреждений. Хотя исследование проводилось на одном двигателе в контролируемых условиях и требуется дополнительная работа для охвата других типов отказов и реальной изменчивости, оно указывает путь к «умным судам», двигатели которых могут заблаговременно «сказать»: «У меня тут скоро будет проблема» — что экономит деньги, уменьшает простой и снижает ненужный расход топлива и выбросы.

Цитирование: Michel, M., Mehanna, A., Saleh, S.N. et al. Proactive fault prediction in marine diesel engines using multivariate machine learning. Sci Rep 16, 9678 (2026). https://doi.org/10.1038/s41598-026-40979-5

Ключевые слова: морские дизельные двигатели, прогнозное обслуживание, машинное обучение, контроль состояния, выбросы судоходства